KR20210002184A - 기계학습을 이용하여 상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작방법 - Google Patents

기계학습을 이용하여 상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작방법 Download PDF

Info

Publication number
KR20210002184A
KR20210002184A KR1020190076806A KR20190076806A KR20210002184A KR 20210002184 A KR20210002184 A KR 20210002184A KR 1020190076806 A KR1020190076806 A KR 1020190076806A KR 20190076806 A KR20190076806 A KR 20190076806A KR 20210002184 A KR20210002184 A KR 20210002184A
Authority
KR
South Korea
Prior art keywords
information
wound
scar
hospital
surgery
Prior art date
Application number
KR1020190076806A
Other languages
English (en)
Other versions
KR102340984B1 (ko
Inventor
신현경
염동철
김종대
이형래
Original Assignee
신현경
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 신현경 filed Critical 신현경
Priority to KR1020190076806A priority Critical patent/KR102340984B1/ko
Publication of KR20210002184A publication Critical patent/KR20210002184A/ko
Application granted granted Critical
Publication of KR102340984B1 publication Critical patent/KR102340984B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Image Analysis (AREA)

Abstract

본 개시는 상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작 방법에 관한 것으로서, 본 개시는 상처 관리를 위한 장치의 동작 방법은 복수의 기존 상처의 영상 데이터를 획득하는 단계, 복수의 기존 상처의 영상 데이터에 대응되는 기존 상처의 치료 정보를 획득하는 단계, 복수의 기존 상처의 영상 데이터 및 기존 상처의 치료 정보의 상관 관계를 CNN(Convolution Neural Network)으로 학습하여 기계학습모델을 획득하는 단계, 현재 환자의 상처 영상 데이터를 획득하는 단계, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 상처 치료 예상 정보를 결정하는 단계, 및 상처 치료 예상 정보를 출력하는 단계를 포함하고, 기존 상처의 치료 정보는 상처의 깊이 정보, 상처의 치료기간 정보, 수술 여부에 대한 정보 및 흉터 여부에 대한 정보 모두를 포함하고, 상처 치료 예상 정보는 수술 유무에 대한 예상 정보 및 흉터 발생 유무에 대한 예상 정보를 포함하는 것을 특징으로 한다.

Description

상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작 방법 {An apparatus for wound management and operations thereof}
본 개시는 상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작 방법에 관한 것이다.
상처의 분류는 원인에 따라 절창(切創) 자창(刺創) 할창(割創) 좌창(挫創) 열창(裂創) 사창(射創) 교창(咬創)으로 나뉘고, 형상에 따라 선상창(線狀創) 판상창(瓣狀創) 결손창으로 나뉜다. 또, 체강(體腔)과의 관계로 천통창(穿通創)과 비천통창으로, 감염의 유무로 감염창과 비감염창으로 나뉜다. 상처에 따른 증세로는 통증 출혈 기능장애 등이 있다. 상처를 입는 경우, 생체는 곧 반응해서 상해를 빨리 회복하려고 한다(두산 백과 참조).
생체의 일반적인 상태나 상처에 따라 치유의 경과는 다르나 대개 다음과 같은 과정에 따라 치유된다. ① 상해를 받은 세포의 변성(變性) ·사멸, ② 주위의 조직으로부터의 유주세포(遊走細胞) ·조직액의 유출, ③ 섬유소의 석출과 육아조직(肉芽組織)의 형성 등이다.
상처의 빠른 치유를 위해서는 상처에 따른 치료방법이 적용되어야 하는데, 환자가 상처 치료에 관한 지식이 부족하여 상처의 치유가 더디게 되거나, 흉터가 남는 경우가 생기고 있다. 예를 들어 빨간약이라고 불리우는 요오드팅크나 머큐로크롬은 일반적으로 상처 치유를 위해 많이 쓰이고 있다. 요오드팅크나 머큐로크롬은 항균제로 균을 죽이는 역할을 한다. 그러나 정작 이러한 약들은 살균효과는 있지만 실제 웬만한 상처를 아물게 하는 과정에는 오히려 재생 과정의 상피세포나 섬유아 세포를 방해하게 되어 치유과정을 늦춘다.
또한 화상의 경우, 화상에 의한 손상의 깊이의 평가 방법이 그 중요도에 비하여 많이 연구되지 않은 실정이다. 또한 그 판단이 전문가에 의한 주관적 판단에 의존도가 높다. 게다가, 세계적으로도 화상전문가가 부족한 실정이다. 화상전문가에 의하지 않고 일반인이 화상에 의한 초기손상 깊이를 과소평가한 경우 상처가 악화되는 경우가 있으며, 초기 손상의 깊이를 과대평가하였을 경우 비용 상승의 원인이 되는 경우가 있다.
최근 이미지 분야에서 딥러닝이 좋은 성능을 보이고 있다. 특히 CNN알고리즘을 통한 image classificaiton은 의료영역에서도 활발히 연구되고 있다. 화상 디지털 이미지를 이용하여 CNN알고리즘을 통해 화상손상의 깊이를 식별할 수 있는 모델을 만들어 초기 손상을 비교적 정확하게 판단할 수 있는 경우, 환자가 불필요한 비용을 지출하거나, 환자의 상처가 악화되는 상황을 방지할 수 있다. 특히 도서산간, 학교, 군부대 등 의료취약 지역에서 화상손상 깊이의 조기판단으로 상처 악화를 예방하고, 불필요한 의료비 지출을 막을 수 있다.
본 개시의 상처 관리 장치의 동작 방법은, 복수의 기존 상처의 영상 데이터를 획득하는 단계, 복수의 기존 상처의 영상 데이터에 대응되는 기존 상처의 치료 정보를 획득하는 단계, 복수의 기존 상처의 영상 데이터 및 기존 상처의 치료 정보의 상관 관계를 CNN(Convolution Neural Network)으로 학습하여 기계학습모델을 획득하는 단계, 현재 환자의 상처 영상 데이터를 획득하는 단계, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 상처 치료 예상 정보를 결정하는 단계, 및 상처 치료 예상 정보를 출력하는 단계를 포함하고, 기존 상처의 치료 정보는 상처의 깊이 정보, 상처의 치료기간 정보, 수술 여부에 대한 정보 및 흉터 여부에 대한 정보 모두를 포함하고, 상처 치료 예상 정보는 수술 유무에 대한 예상 정보 및 흉터 발생 유무에 대한 예상 정보를 포함하는 것을 특징으로 한다.
본 개시의 상처 관리 장치의 동작 방법의, 상처의 깊이 정보는 "1도 화상", "2도 화상 표재성", "2도 화상 심재성", "3도 화상" 및 "4도 화상" 중 하나를 나타내고, 상처의 치료기간 정보는 상처를 입은 날부터 재상피화 완료일까지의 일수를 나타내고, 상처 치료 예상 정보를 결정하는 단계는, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 "1도 화상" 또는 "2도 화상 표재성"을 나타내는 경우, 제 1 흉터 발생 유무에 대한 정보(a)를 0으로 설정하고, 획득된 상처의 깊이 정보가 "2도 화상 심재성", "3도 화상" 또는 "4도 화상"을 나타내는 경우 제 1 흉터 발생 유무에 대한 정보(a)를 1로 설정하는 단계, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 치료기간 정보가 "7일" 이하인 경우 제 2 흉터 발생 유무에 대한 정보(b)를 0으로 설정하고, 획득된 상처의 치료기간 정보가 "7일" 초과인 경우, 제 2 흉터 발생 유무에 대한 정보(b)를 1로 설정하는 단계, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 흉터 여부에 대한 정보가 흉터 남지 않음을 나타내는 경우 제 3 흉터 발생 유무에 대한 정보(c)를 0으로 설정하고, 획득된 흉터 여부에 대한 정보가 흉터 남음을 나타내는 경우 제 3 흉터 발생 유무에 대한 정보(c)를 1로 설정하는 단계, 미리 결정된 가중치(w1, w2, w3)에 기초하여, 제 1 흉터 발생 유무에 대한 정보 내지 제 3 흉터 발생 유무에 대한 정보의 가중 평균((w1*a+w2*b+w3*c)/3)이 0.5 초과인 경우, 흉터 발생 유무에 대한 예상 정보를 흉터 남음으로 결정하는 단계, 및 제 1 흉터 발생 유무에 대한 정보 내지 제 3 흉터 발생 유무에 대한 정보의 가중 평균((w1*a+w2*b+w3*c)/3)이 0.5 이하인 경우, 흉터 발생 유무에 대한 예상 정보를 흉터 남지 않음으로 결정하는 단계를 포함하고, w3는 w1 및 w2 보다 크고, w1+w2+w3<=3 인 것을 특징으로 한다.
본 개시의 상처 관리 장치의 동작 방법의, 상처 치료 예상 정보를 결정하는 단계는, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 "1도 화상" 또는 "2도 화상 표재성"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 0으로 설정하고, 획득된 상처의 깊이 정보가 "2도 화상 심재성"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1/2로 설정하고, 획득된 상처 깊이 정보가 "3도 화상" 또는 "4도 화상"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1로 설정하는 단계, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 수술 여부에 대한 정보가 "수술 필요 없음"을 나타내는 경우, 제 2 수술 유무에 대한 정보(e)를 0으로 설정하고, 획득된 수술 여부에 대한 정보가 "수술 필요"를 나타내는 경우, 제 2 수술 유무에 대한 정보(e)를 1로 설정하는 단계, 미리 결정된 가중치(w4, w5)에 기초하여, 제 1 수술 유무에 대한 정보(d) 및 제 2 수술 유무에 대한 정보(e)의 가중 평균((w4*d+w5*e)/2)이 0.5초과인 경우, 수술 유무에 대한 예상 정보를 "수술 필요"로 결정하는 단계, 및 제 1 수술 유무에 대한 정보(d) 및 제 2 수술 유무에 대한 정보(e)의 가중 평균((w4*d+w5*e)/2)이 0.5이하인 경우, 수술 유무에 대한 예상 정보를 "수술 필요 없음"으로 결정하는 단계를 포함하고, w5는 w4보다 크고, w4+w5<=2인 것을 특징으로 한다.
본 개시의 상처 관리 장치의 동작 방법은, 흉터 발생 유무에 대한 예상 정보가 수술 필요로 설정된 경우, 병원 정보를 획득하는 단계, 획득된 병원 정보를 출력하는 단계, 사용자로부터 병원 예약과 관련된 예약 정보를 수신하는 단계, 환자에 대한 정보 및 예약 정보를 병원 서버에 전송하는 단계, 및 병원 서버로부터 예약 확인 신호를 수신하는 단계를 더 포함하고, 예약 정보는 환자의 방문 예정 시간 및 환자가 선호하는 의료인에 대한 정보 중 적어도 하나를 포함하고, 병원 정보는 병원의 연락처, 병원의 위치, 병원과 환자의 거리, 병원까지 가는 교통편, 병원의 영업시간, 병원에 소속된 의료인의 정보, 병원의 개원일, 병원의 환자들의 재이용횟수, 병원의 평점, 병원의 현재 대기자 수, 병원근처 주차공간 및 병원 시설에 대한 설명 중 적어도 하나를 더 포함하고, 기존 상처의 치료 정보는 환자의 나이 정보, 환자의 성별 정보, 상처치유기간정보, 상처 치유까지 내원 횟수 정보, 흉터의 정도에 대한 정보 및 치유까지 소요 비용 정보를 더 포함하고, 상처 치료 예상 정보는 상처치유예상기간, 상처 치유까지 예상 내원 횟수 정보, 흉터의 예상 정도에 대한 정보 및 치유까지 예상 소요 비용 정보를 더 포함하는 것을 특징으로 한다.
본 개시의 상처 관리 장치는, 상처 관리 장치는 프로세서 및 메모리를 포함하고, 프로세서는 메모리에 저장된 명령어에 기초하여, 복수의 기존 상처의 영상 데이터를 획득하는 단계, 복수의 기존 상처의 영상 데이터에 대응되는 기존 상처의 치료 정보를 획득하는 단계, 복수의 기존 상처의 영상 데이터 및 기존 상처의 치료 정보의 상관 관계를 CNN(Convolution Neural Network)으로 학습하여 기계학습모델을 획득하는 단계, 현재 환자의 상처 영상 데이터를 획득하는 단계, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 상처 치료 예상 정보를 결정하는 단계, 및 상처 치료 예상 정보를 출력하는 단계를 수행하고, 기존 상처의 치료 정보는 상처의 깊이 정보, 상처의 치료기간 정보, 수술 여부에 대한 정보 및 흉터 여부에 대한 정보 모두를 포함하고, 상처 치료 예상 정보는 수술 유무에 대한 예상 정보 및 흉터 발생 유무에 대한 예상 정보를 포함하는 것을 특징으로 한다.
본 개시의 상처 관리 장치의 상처의 깊이 정보는 "1도 화상", "2도 화상 표재성", "2도 화상 심재성" "3도 화상" 및 "4도 화상" 중 하나를 나타내고, 상처의 치료기간 정보는 상처를 입은 날부터 재상피화 완료일까지의 일수를 나타내고, 프로세서는 상처 치료 예상 정보를 결정하기 위하여, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 "1도 화상" 또는 "2도 화상 표재성"을 나타내는 경우, 제 1 흉터 발생 유무에 대한 정보(a)를 0으로 설정하고, 획득된 상처의 깊이 정보가 "2도 화상 심재성", "3도 화상" 또는 "4도 화상"을 나타내는 경우 제 1 흉터 발생 유무에 대한 정보(a)를 1로 설정하는 단계, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 치료기간 정보가 "7일" 이하인 경우 제 2 흉터 발생 유무에 대한 정보(b)를 0으로 설정하고, 획득된 상처의 치료기간 정보가 "7일" 초과인 경우, 제 2 흉터 발생 유무에 대한 정보(b)를 1로 설정하는 단계, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 흉터 여부에 대한 정보가 흉터 남지 않음을 나타내는 경우 제 3 흉터 발생 유무에 대한 정보(c)를 0으로 설정하고, 획득된 흉터 여부에 대한 정보가 흉터 남음을 나타내는 경우 제 3 흉터 발생 유무에 대한 정보(c)를 1로 설정하는 단계, 미리 결정된 가중치(w1, w2, w3)에 기초하여, 제 1 흉터 발생 유무에 대한 정보 내지 제 3 흉터 발생 유무에 대한 정보의 가중 평균((w1*a+w2*b+w3*c)/3)이 0.5 초과인 경우, 흉터 발생 유무에 대한 예상 정보를 흉터 남음으로 결정하는 단계, 및 제 1 흉터 발생 유무에 대한 정보 내지 제 3 흉터 발생 유무에 대한 정보의 가중 평균((w1*a+w2*b+w3*c)/3)이 0.5 이하인 경우, 흉터 발생 유무에 대한 예상 정보를 흉터 남지 않음으로 결정하는 단계를 수행하고, w3는 w1 및 w2 보다 크고, w1+w2+w3<=3 인 것을 특징으로 한다.
본 개시의 상처 관리 장치의 프로세서는 상처 치료 예상 정보를 결정하기 위하여, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 "1도 화상" 또는 "2도 화상 표재성"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 0으로 설정하고, 획득된 상처의 깊이 정보가 "2도 화상 심재성"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1/2로 설정하고, 획득된 상처 깊이 정보가 "3도 화상" 또는 "4도 화상"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1로 설정하는 단계, 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 수술 여부에 대한 정보가 "수술 필요 없음"을 나타내는 경우, 제 2 수술 유무에 대한 정보(e)를 0으로 설정하고, 획득된 수술 여부에 대한 정보가 "수술 필요"를 나타내는 경우, 제 2 수술 유무에 대한 정보(e)를 1로 설정하는 단계, 미리 결정된 가중치(w4, w5)에 기초하여, 제 1 수술 유무에 대한 정보(d) 및 제 2 수술 유무에 대한 정보(e)의 가중 평균((w4*d+w5*e)/2)이 0.5초과인 경우, 수술 유무에 대한 예상 정보를 "수술 필요"로 결정하는 단계, 및 제 1 수술 유무에 대한 정보(d) 및 제 2 수술 유무에 대한 정보(e)의 가중 평균((w4*d+w5*e)/2)이 0.5이하인 경우, 수술 유무에 대한 예상 정보를 "수술 필요 없음"으로 결정하는 단계를 수행하고, w5는 w4보다 크고, w4+w5<=2인 것을 특징으로 한다.
본 개시의 상처 관리 장치의 프로세서는 메모리에 저장된 명령어에 기초하여, 흉터 발생 유무에 대한 예상 정보가 수술 필요로 설정된 경우, 병원 정보를 획득하는 단계, 획득된 병원 정보를 출력하는 단계, 사용자로부터 병원 예약과 관련된 예약 정보를 수신하는 단계, 환자에 대한 정보 및 예약 정보를 병원 서버에 전송하는 단계, 및 병원 서버로부터 예약 확인 신호를 수신하는 단계를 더 수행하고, 예약 정보는 환자의 방문 예정 시간 및 환자가 선호하는 의료인에 대한 정보 중 적어도 하나를 포함하고, 병원 정보는 병원의 연락처, 병원의 위치, 병원과 환자의 거리, 병원까지 가는 교통편, 병원의 영업시간, 병원에 소속된 의료인의 정보, 병원의 개원일, 병원의 환자들의 재이용횟수, 병원의 평점, 병원의 현재 대기자 수, 병원근처 주차공간 및 병원 시설에 대한 설명 중 적어도 하나를 더 포함하고, 기존 상처의 치료 정보는 환자의 나이 정보, 환자의 성별 정보, 상처치유기간정보, 상처 치유까지 내원 횟수 정보, 흉터의 정도에 대한 정보 및 치유까지 소요 비용 정보를 더 포함하고, 상처 치료 예상 정보는 상처치유예상기간, 상처 치유까지 예상 내원 횟수 정보, 흉터의 예상 정도에 대한 정보 및 치유까지 예상 소요 비용 정보를 더 포함하는 것을 특징으로 한다.
또한, 상술한 바와 같은 상처 관리 장치의 동작 방법을 구현하기 위한 프로그램은 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.
도 1은 본 개시의 일 실시예에 따른 상처 관리 장치(100)의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 상처 관리 시스템을 나타낸 도면이다.
도 3 본 개시의 일 실시예에 따른 상처 관리 장치의 동작을 나타낸 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 상처 관리 장치를 나타낸 블록도이다.
도 5는 본 개시의 일 실시예에 따른 상처 관리 장치를 나타낸 블록도이다.
도 6은 본 개시의 일 실시예에 따른 수술 유무에 대한 예상 정보를 획득하는 과정을 나타낸 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 흉터 발생 유무에 대한 예상 정보를 획득하는 과정을 나타낸 흐름도이다.
도 8은 본 개시의 일 실시예에 따른 사용자 단말기를 나타낸 도면이다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다.
본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면 "부"는 프로세서 및 메모리로 구현될 수 있다. 용어 "프로세서" 는 범용 프로세서, 중앙 처리 장치 (CPU), 마이크로프로세서, 디지털 신호 프로세서 (DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, "프로세서" 는 주문형 반도체 (ASIC), 프로그램가능 로직 디바이스 (PLD), 필드 프로그램가능 게이트 어레이 (FPGA) 등을 지칭할 수도 있다. 용어 "프로세서" 는, 예를 들어, DSP 와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다.
용어 "메모리" 는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. 용어 메모리는 임의 액세스 메모리 (RAM), 판독-전용 메모리 (ROM), 비-휘발성 임의 액세스 메모리 (NVRAM), 프로그램가능 판독-전용 메모리 (PROM), 소거-프로그램가능 판독 전용 메모리 (EPROM), 전기적으로 소거가능 PROM (EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
아래에서는 첨부한 도면을 참고하여 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
도 1은 본 개시의 일 실시예에 따른 상처 관리 장치(100)의 블록도이다.
도 1을 참조하면, 일 실시예에 따른 상처 관리 장치(100)는 데이터 학습부(110) 및 데이터 인식부(120)를 포함할 수 있다. 상술한 바와 같은 상처 관리 장치(100)는 프로세서 및 메모리를 포함할 수 있다.
데이터 학습부(110)는 제 1 데이터 및 제 2 데이터를 수신하여 제 1 데이터 및 제 2 데이터의 관계에 대한 기계학습모델을 획득할 수 있다. 데이터 학습부(110)가 획득한 기계학습모델은 제 1 데이터를 이용하여 제 2 데이터를 생성하기 위한 모델일 수 있다. 예를 들어, 데이터 학습부(110)는 복수의 기존 상처의 영상 데이터 및 기존 상처에 대한 치료 정보의 관계를 학습할 수 있다. 상처의 영상 및 상처에 대한 기본 정보가 주어진 경우, 데이터 학습부(110)는 상처에 따른 치료 정보를 예측하기 위한 기계학습모델을 생성할 수 있다.
데이터 인식부(120)는 현재 환자의 상처의 영상 데이터 또는 상처와 관련된 정보를 기계학습모델에 적용하여 상처 치료 예상 정보를 출력할 수 있다. 기계학습모델은 상처의 영상에 따라 어떤 치료가 이루어 져야하는 지에 대한 기준에 대한 정보일 수 있다. 또한, 데이터 인식부(120)는 상처의 영상 데이터 또는 상처와 관련된 정보 및 기계학습모델에 의해 출력된 결과를 기계학습모델을 갱신하는데 이용할 수 있다.
데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 이미 설명한 각종 전자 장치에 탑재될 수도 있다.
또한 데이터 학습부(110) 및 데이터 인식부(120)는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(110) 및 데이터 인식부(120) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(110) 및 데이터 인식부(120)는 유선 또는 무선으로 통하여, 데이터 학습부(110)가 구축한 기계학습모델 정보를 데이터 인식부(120)로 제공할 수도 있고, 데이터 인식부(120)로 입력된 데이터가 추가 학습 데이터로써 데이터 학습부(110)로 제공될 수도 있다.
한편, 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 메모리 또는 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
본 개시의 일 실시예에 따른 데이터 학습부(110)는 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115)를 포함할 수 있다.
데이터 획득부(111)는 기계학습에 필요한 데이터를 획득할 수 있다. 학습을 위해서는 많은 데이터가 필요하므로, 데이터 획득부(111)는 복수의 기존 상처의 영상 데이터 또는 상처에 대한 정보 및 기존의 상처의 치료 정보를 수신할 수 있다.
전처리부(112)는 수신된 데이터가 기계학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(112)는 후술할 모델 학습부(114)가 이용할 수 있도록, 획득된 데이터를 미리 설정된 포맷으로 가공할 수 있다. 전처리부(112)는 상처 영상 데이터를 필터로 처리하여, 상처의 윤곽선이 명확하게 드러나게 만들 수 있다. 또한 전처리부(112)는 상처의 특징이 명확하게 드러나도록 영상 데이터의 크기, 화이트 밸런스, 색상, 명암 또는 채도 중 적어도 하나를 조정할 수 있다.
학습 데이터 선택부(113)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(114)에 제공될 수 있다. 학습 데이터 선택부(113)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(113)는 후술할 모델 학습부(114)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
학습 데이터 선택부(113)는 모델 학습부(114)의 처리 부담을 덜어주기 위하여 상처 정보 또는 미리학습된 기계학습모델에 기초하여 영상 데이터를 미리 분류할 수 있다. 학습 데이터 선택부(113)는 상처에 대한 정보에 기초하여 기존 상처의 영상 데이터를 상처의 종류, 크기 중 적어도 하나에 따라 분류할 수 있다. 상처가 화상인지 자상인지에 따라 서로 다른 치료 방법이 사용될 것이며, 전처리부(112)는 화상 상처에 대한 영상만을 따로 분류할 수 있다. 모델 학습부(114)는 화상의 상처에 특화되어 기계학습을 수행할 것이므로, 처리 부담이 줄어들 수 있다.
모델 학습부(114)는 기존 상처의 영상 데이터에 따라 어떤 상처 치료 예상 정보를 출력할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(114)는 기존 상처의 영상 데이터 및 상처에 대한 정보에 따라 상처의 치료 예측 정보를 출력하는 데이터 학습모델을 학습 데이터로써 이용하여 학습시킬 수 있다. 이 경우, 데이터 학습모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 학습모델은 기본 학습 데이터(예를 들어, 상처 영상, 상처에 대한 정보 또는 상처의 치료 정보 등)을 입력 받아 미리 구축된 모델일 수 있다.
데이터 학습모델은, 학습모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 학습모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, Deep Neural Network (DNN), Recurrent Neural Network (RNN), Long Short-Term Memory models (LSTM), BRDNN (Bidirectional Recurrent Deep Neural Network), Convolutional Neural Networks (CNN)과 같은 모델이 데이터 학습모델로써 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(114)는 미리 구축된 데이터 학습모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 학습모델을 학습할 데이터 학습모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 학습모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 장소, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(114)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 학습모델을 학습시킬 수 있다.
또한, 모델 학습부(114)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 데이터 학습모델을 학습할 수 있다. 또한, 모델 학습부(114)는, 예를 들어, 별다른 지도없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 학습모델을 학습할 수 있다. 또한, 모델 학습부(114)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 학습모델을 학습할 수 있다.
또한, 데이터 학습모델이 학습되면, 모델 학습부(114)는 학습된 데이터 학습모델을 저장할 수 있다. 이 경우, 모델 학습부(114)는 학습된 데이터 학습모델을 데이터 인식부(120)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(114)는 학습된 데이터 학습모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
학습된 데이터 학습모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(115)는 데이터 학습모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(114)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 학습모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 모델 평가부(115)는 평가 데이터에 대한 학습된 데이터 학습모델의 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 학습모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(115)는 학습된 데이터 학습모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 학습모델이 복수 개가 존재하는 경우, 모델 평가부(115)는 각각의 학습된 동영상 학습모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 학습모델로써 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(115)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 학습모델로써 결정할 수 있다.
한편, 데이터 학습부(110) 내의 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
본 개시의 일 실시예에 따른 데이터 인식부(120)는 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125)를 포함할 수 있다.
데이터 획득부(121)는 현재 환자의 상처 영상 데이터 또는 현재 환자의 상처와 관련된 정보를 획득할 수 있다. 전처리부(122)는 획득된 현재 환자의 상처 영상 데이터 및 현재 환자의 상처와 관련된 정보가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어 전처리부(122)는 상처 영상 데이터를 필터로 처리하여, 상처의 윤곽선이 명확하게 드러나게 만들 수 있다. 또한 전처리부(122)는 상처 영상 데이터의 화이트 밸런스, 색상, 명암 또는 채도 중 적어도 하나를 조정할 수 있다.
인식 데이터 선택부(123)는 전처리된 데이터 중에서 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(124)에게 제공될 수 있다. 인식 데이터 선택부(123)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(123)는 모델 학습부(114)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(124)는 선택된 데이터를 데이터 학습모델에 적용하여 결과 데이터를 획득할 수 있다. 인식 결과 제공부(124)는 결과 데이터를 음성 또는 텍스트로 출력할 수 있다. 인식 결과 제공부(124)는 인식 데이터 선택부(123)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 학습모델에 적용할 수 있다. 또한, 인식 결과는 데이터 학습모델에 의해 결정될 수 있다.
모델 갱신부(125)는 인식 결과 제공부(124)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 학습모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(125)는 인식 결과 제공부(124)에 의해 제공되는 인식 결과를 모델 학습부(114)에게 제공함으로써, 모델 학습부(114)가 데이터 학습모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(120) 내의 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 2는 본 개시의 일 실시예에 따른 상처 관리 시스템을 나타낸 도면이다.
상처 관리 시스템(200)은 입력부(210), 상처 관리 장치(220) 및 출력부(230)를 포함할 수 있다.
입력부(210)는 사용자 단말기에 포함될 수 있다. 입력부(210)는 상처의 영상 데이터를 획득할 수 있다. 또한 입력부(210)는 상처의 영상과 관련된 정보를 획득할 수 있다. 상처의 영상 데이터는 사용자가 카메라를 이용하여 직접 찍은 상처의 영상일 수 있다. 또한 상처의 영상 데이터는 사용자가 다른 사용자 단말기로부터 유선 또는 무선으로 수신한 영상 데이터일 수 있다. 또한 상처의 영상 데이터는 사용자 단말기에 이미 저장되어 있는 영상 데이터일 수 있다.
상처와 관련된 정보는 상처의 영상 데이터에 대응되는 상처가 난 신체 부위, 상처의 발생 원인, 상처의 발생일, 상처의 크기, 환자의 나이, 환자의 피부색 또는 환자의 성별 중 적어도 하나를 포함할 수 있다.
입력부(210)는 상처의 영상 데이터 또는 상처와 관련된 정보를 유선 또는 무선을 통하여 상처 관리 장치(220)에 송신할 수 있다. 입력부(210)는 데이터의 용량을 줄이기 위하여 상처의 영상 데이터 또는 상처와 관련된 정보를 소정의 알고리즘에 기초하여 압축할 수 있다.
상처 관리 장치(220)는 사용자 단말기 또는 서버에 포함될 수 있다. 상처 관리 장치(220)는 입력부(210)로부터 수신한 데이터에 기초하여 기계학습을 수행하거나, 이미 기계 학습된 기계학습모델에 기초하여 결과 데이터를 출력할 수 있다. 상처 관리 장치(220)는 수신한 상처의 영상 데이터 또는 상처와 관련된 정보에 기초하여 기계학습모델을 출력할 수 있다. 또한 상처 관리 장치(220)는 수신한 상처의 영상 데이터 또는 상처와 관련된 정보를 기계학습모델에 적용하여 상처 치료 예상 정보를 출력할 수 있다.
상처 관리 장치(220)는 생성된 기계학습모델 또는 상처 치료 예상 정보를 유선 또는 무선을 통하여 출력부(230)에 송신할 수 있다. 상처 관리 장치(220)는 생성된 기계학습모델 또는 상처 치료 예상 정보를 소정의 알고리즘을 사용하여 압축하여, 데이터 송신에 필요한 데이터의 용량을 줄이고, 송신의 속도를 높일 수 있다.
출력부(230)는 사용자 단말기에 대응될 수 있다. 출력부(230)는 입력부(210)와 동일한 사용자 단말기에 포함될 수 있다. 출력부(230)는 메모리에 저장되어 있는 상처의 영상 데이터 또는 상처와 관련된 정보를 기계학습모델에 적용하여 상처 치료 예상 정보 출력할 수 있다. 또한, 출력부(230)는 상처 관리 장치(220)로부터 수신한 상처 치료 예상 정보를 출력할 수도 있다. 출력부(230)는 디스플레이부에 결과를 출력하거나, 스피커를 통하여 소리로 결과를 출력할 수 있다. 사용자는 상처 치료 예상 정보를 보거나 듣고서, 필요한 조치를 취할 수 있다. 따라서 사용자는 상처가 악화되는 경우 또는 비용이 과도하게 지출되는 경우를 막을 수 있다.
이하에서는 상처 관리 장치(220)의 동작에 대하여 보다 자세히 설명한다.
도 3 본 개시의 일 실시예에 따른 상처 관리 장치의 동작을 나타낸 흐름도이다.
상처 관리 장치(220)는 복수의 기존 상처의 영상 데이터를 획득하는 단계(310)를 수행할 수 있다. 복수의 기존 상처의 영상 데이터는 입력부(210)로부터 수신한 것일 수 있다.
복수의 기존 상처의 영상 데이터는 상처의 영상뿐만 아니라, 컬러패치의 영상을 더 포함하고 있을 수 있다. 컬러패치의 영상은 적어도 하나의 색이 서로 다른 영역에 표시된 영상이다. 사용자가 상처 옆에 컬러패치를 두고 상처의 영상을 촬영한 경우, 기존 상처의 영상 데이터는 컬러패치 영상을 포함할 수 있다. 상처 관리 장치(220)의 전처리부(112)는 기존 상처의 영상 데이터에 포함된 컬러패치 영상에 기초하여, 기존 상처의 영상 데이터를 보정할 수 있다. 기존 상처의 영상 데이터에 포함된 컬러패치 영상은 동일한 컬러패치를 촬영한 것이다. 따라서, 상처 관리 장치(220)가 컬러패치를 기준으로 기존 상처의 영상 데이터를 보정하여, 상처 촬영 시 조명에 의한 영상을 최소화할 수 있다. 또한, 상처 관리 장치(220)는 컬러 패치를 기준으로 하여 기존 상처의 영상 데이터의 화이트 밸런스, 밝기 및 채도 중 적어도 하나를 보정할 수 있다. 보정을 통하여 기존 상처 영상 데이터에 조명에 의한 영향이 최소화되므로, 상처 관리 장치(220)는 기계학습을 효율적으로 수행할 수 있다.
복수의 기존 상처의 영상 데이터는 기존 환자의 상처로부터 획득한 영상 데이터일 수 있다. 복수의 기존 상처의 영상 데이터는 의료인이 환자를 치료하면서 찍은 상처에 대한 영상일 수 있다. 의료인은 복수의 기존 상처의 영상 데이터와 함께 영상 데이터와 관련된 각종 정보를 상처 관리 장치(220)에 입력할 수 있다. 복수의 기존 상처의 영상 데이터는 상처 발생일부터 상처가 완치될 때까지 시간 순으로 정렬된 영상 데이터일 수 있다. 또한 복수의 기존 상처의 영상 데이터는 기계학습에 이용될 수 있도록 상처 부위가 명확하게 드러난 영상 데이터일 수 있다. 사용자는 복수의 기존 상처의 영상 데이터 중에서 기계학습에 사용할 수 있는 영상 데이터를 선별할 수 있다.
상처 관리 장치(220)는 복수의 기존 상처의 영상 데이터에 대응되는 기존 상처의 치료 정보를 획득하는 단계(320)를 수행할 수 있다. 기존 상처의 치료 정보는 적어도 한 명의 상처 전문 의료인의 진단 결과를 포함할 수 있다.
상처 관리 장치(220)는 상처의 영상 데이터에 대응되는 환자의 의료(medical) 기록을 근거로 상처의 치료 정보를 획득할 수 있다. 또한 상처 관리 장치(220)는 레이저 도플러 등 기존 진단장비의 결과에 기초하여 상처의 치료 정보를 획득할 수 있다.
기존 상처 치료 정보는 상처의 깊이, 상처의 치료기간, 상처에 대한 수술 여부 또는 흉터 발생 여부에 대한 정보 모두를 포함할 수 있다. 기존 상처 치료 정보는 환자의 나이, 성별, 치유까지 내원 횟수, 수술 여부, 수술까지 소요기간, 수술 후 치유기간, 흉터의 정도에 대한 정보 또는 치유에 소요되는 비용에 대한 정보 중 적어도 하나를 더 포함할 수 있다.
본 개시의 일 실시예에 따르면, 상처의 깊이에 대한 정보는 의료인이 소정의 기준에 기초하여 상처가 얼마나 심한지를 나타내는 정보이다. 상처가 화상인 경우, 의료인은 상처의 심한 정도를 1도 화상, 2도 화상 또는 3도 화상 중 하나로 결정할 수 있다. 상처 관리 장치(220)는 영상 데이터에 대응되는 상처의 깊이에 대한 정보를 "1도 화상", "2도 화상" 또는 "3도 화상" 중 하나로 저장할 수 있다.
본 개시의 다른 실시예에 따르면, 상처의 깊이에 대한 정보는 의료인이 소정의 기준에 기초하여 상처가 얼마나 심한지를 나타내는 정보이다. 상처가 화상인 경우, 의료인은 상처의 심한 정도를 1도 화상, 2도 화상 표재성, 2도 화상 심재성, 3도 화상 또는 4도 화상 중 하나로 결정할 수 있다. 상처 관리 장치(220)는 영상 데이터에 대응되는 상처의 깊이에 대한 정보를 "1도 화상", "2도 화상 표재성", "2도 화상 심재성", "3도 화상" 또는 "4도 화상" 중 하나로 저장할 수 있다.
상처 관리 장치(220)는 기존 상처의 영상 데이터에 대응되는 기존 상처 치료 정보를 인덱스로 저장하고 있을 수 있다. 예를 들어, 상처 관리 장치(220)는 화상을 "0"으로 자상을 "1"과 같이 나타낼 수 있다. 또한 상처 관리 장치(220)는 1도화상을 "00"로 나타내고, 2도화상을 "01"로 나타내고, 3도화상을 "02"로 나타낼 수 있다.
또한, 상처가 화상인 경우, 상처의 깊이는 더욱더 세분화될 수 있다. 예를 들어, 의료인은 상처의 심한 정도를 1도 화상, 2도 화상 표재성, 2도화상 심재성, 3도 화상, 또는 4도 화상 중 하나로 결정할 수 있다. 상처 관리 장치(220)는 영상 데이터에 대응되는 상처의 깊이에 대한 정보를 "1도 화상", "2도 화상 표재성", "2도 화상 심재성", "3도 화상" 또는 "4도 화상" 중 하나로 저장할 수 있다. 여기서 "1도 화상"은 피부의 표피 또는 각질이 손상된 것을 의미하고, "2도 화상 표재성"은 피부의 표피 또는 얕은 진피층이 손상된 것을 의미하며, "2도 화상 심재성"은 피부의 깊은 진피층까지 손상된 것을 의미한다. 또한 "3도 화상"은 진피층 전체 및 피하조직이 손상된 것을 의미하고, "4도 화상"은 진피층 전체, 피하조직, 지방, 근육 및 뼈가 손상된 것을 의미한다.
상처 관리 장치(220)는 기존 상처의 영상 데이터에 대응되는 기존 상처 치료 정보를 인덱스로 저장하고 있을 수 있다. 예를 들어, 상처 관리 장치(220)는 화상을 "0"으로 자상을 "1"과 같이 나타낼 수 있다. 또한 상처 관리 장치(220)는 1도화상을 "00"로 나타내고, 2도 화상 표재성을 "01"로 나타내고, 2도 화상 심재성을 "02"로 나타내고, 3도화상을 "03"로 나타내고, 4도 화상을 "04"로 나타내고 낼 수 있다.
상처의 치료기간은 상처의 발생일부터 재상피화 완료일까지의 일수를 나타내는 정보일 수 있다. 상처의 치료기간은 소정의 그룹으로 구분될 수 있다. 예를 들어 기존 상처 영상 데이터에 나타난 상처 치료에 0-7일이 소요되었다면 상처 관리 장치(220)는 기존 상처 영상 데이터를 제 1 그룹으로 구분하고, 상처 치료에 8-14일이 소요되었다면 제 2 그룹으로 구분하고, 상처 치료에 15-21일이 소요되었다면 제 3 그룹으로 구분하고, 22일 이상이 소요되었다면 제 4 그룹으로 구분할 수 있다.
상처의 수술 여부는 기존 환자의 상처에 의료인이 수술을 했는지 여부를 나타내는 정보일 수 있다. 예를 들어, 상처 치료 장치(220)는 의료인이 상처 치료를 위해 수술을 했다면 수술 여부에 대한 정보로서 "1"을 저장하고, 수술을 하지 않았다면 수술 여부에 대한 정보로서 "0"을 저장할 수 있다.
또한 흉터 발생 여부에 대한 정보는 의료인이 치료 완료 후 흉터가 발생했는지 여부에 대한 정보일 수 있다. 예를 들어 흉터가 발생했다면 상처 관리 장치(220)는 흉터 발생 여부에 대한 정보로서 "1"을 저장하고, 흉터가 발생하지 않았다면 상처 관리 장치(220)는 흉터 발생 여부에 대한 정보로서 "0"을 저장할 수 있다.
상처 관리 장치(220)는 복수의 기존 상처의 영상 데이터 및 기존 상처의 치료 정보의 상관 관계를 CNN(Convolution Neural Network)으로 학습하여 기계학습모델을 획득하는 단계(330)를 수행할 수 있다. 이에 대해서는 도 4와 함께 보다 자세히 설명한다.
CNN은 심층 신경망(DNN: Deep Neural Network)의 한 종류로, 하나 또는 여러 개의 콘볼루션 계층(convolutional layer)과 통합 계층(pooling layer), 완전하게 연결된 계층(fully connected layer)들로 구성된 신경망이다. CNN은 2차원 데이터의 학습에 적합한 구조를 가지고 있으며, 역전달(Backpropagation algorithm)을 통해 훈련될 수 있다. 영상 내 객체 분류, 객체 탐지 등 다양한 응용 분야에 폭넓게 활용되는 DNN의 대표적 모델 중 하나이다.
도 4는 본 개시의 일 실시예에 따른 상처 관리 장치를 나타낸 블록도이다.
상처 관리 장치(220)는 데이터 학습부(410)를 포함할 수 있다. 데이터 학습부(410)는 도 1의 데이터 학습부(110)에 대응될 수 있다.
데이터 학습부(410)는 복수의 기존 상처의 영상 데이터(421)를 수신할 수 있다. 또한 데이터 학습부(410)는 복수의 기존 상처의 영상 데이터의 각각에 대응되는 기존 상처의 치료 정보(422)를 수신할 수 있다. 기존 상처의 치료 정보는 전문 의료인이 작성할 수 있다.
데이터 학습부(410)는 상처의 영상 데이터(421)와 상처의 치료 정보(422)의 관계를 학습하여 기계학습모델(431)로 출력할 수 있다. 상처 관리 장치(220)는 상처의 깊이 정보, 상처의 치료기간 정보, 수술 여부에 대한 정보 및 흉터 여부에 대한 정보 각각에 대하여 기계학습모델(431)을 따로 획득할 수 있다.
데이터 학습부(410)는 "상처와 관련된 정보 및 상처의 영상 데이터(421)"와 상처의 치료 정보(422)의 관계를 학습하여 기계학습모델(431)로 출력할 수 있다. 상처와 관련된 정보는 상처의 영상 데이터에 대응되는 상처의 발생 원인, 상처의 발생일, 상처의 크기, 환자의 나이, 환자의 피부색 또는 환자의 성별 중 적어도 하나를 포함할 수 있다.
상처 관리 장치(220)는 기계학습모델(431)을 저장할 수 있다. 또한 상처 관리 장치(220)는 기계학습모델(431)을 다른 상처 관리 장치로 전송할 수 있다. 상처 관리 장치(220)는 새로운 상처의 영상 데이터를 기계학습모델(431)에 적용하여 상처 치료 예상 정보를 획득할 수 있다. 상처 치료 예상 정보에 대해서는 아래에서 자세히 설명한다.
다시 도 3을 참조하면, 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터를 획득하는 단계(340)를 수행할 수 있다. 사용자는 사용자 단말기에 포함된 카메라를 통하여 환자의 상처를 촬영하여 상처 관리 장치(220)로 전송할 수 있다. 사용자는 메모리에 이미 저장되어 있는 영상 데이터를 상처 관리 장치(220)로 전송할 수 있다. 사용자는 다른 단말기로부터 수신한 영상 데이터를 상처 관리 장치(220)로 전송할 수 있다.
현재 환자의 상처 영상 데이터는 상처의 영상뿐만 아니라, 컬러패치의 영상을 더 포함하고 있을 수 있다. 사용자가 현재 환자의 상처 옆에 컬러패치를 두고 상처의 영상을 촬영한 경우, 현재 환자의 상처 영상 데이터는 컬러패치 영상을 포함할 수 있다. 상처 관리 장치(220)의 전처리부(122)는 현재 환자의 상처 영상 데이터에 포함된 컬러패치 영상에 기초하여, 현재 환자의 상처 영상 데이터를 보정할 수 있다. 상처 관리 장치(220)가 컬러패치를 기준으로 현재 환자의 상처 영상 데이터를 보정하여, 상처 촬영 시 조명에 의한 영상을 최소화할 수 있다. 또한, 상처 관리 장치(220)는 컬러 패치를 기준으로 하여 현재 환자의 상처 영상 데이터의 화이트 밸런스, 밝기 및 채도 중 적어도 하나를 보정할 수 있다. 보정을 통하여 현재 환자의 상처 영상 데이터에 조명에 의한 영향이 최소화되므로, 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 최상의 예측 결과를 획득할 수 있다.
이미 설명한 바와 같이 상처 관리 장치(220)는 서버 또는 사용자 단말기에 포함될 수 있다. 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 상처 치료 예상 정보를 결정하는 단계(350)를 수행할 수 있다. 또한, 상처 관리 장치(220)는 상처 치료 예상 정보를 출력하는 단계(360)를 수행할 수 있다. 이하 상처 관리 장치(220)가 기계학습모델을 이용하여 상처 치료 예상 정보를 획득하는 과정을 도 5와 함께 보다 자세히 설명한다.
도 5는 본 개시의 일 실시예에 따른 상처 관리 장치를 나타낸 블록도이다.
상처 관리 장치(220)는 도 1의 데이터 인식부를 포함할 수 있다. 데이터 인식부는 입력 데이터를 미리 획득된 기계학습모델(510)에 적용하여 결과 데이터를 획득할 수 있다. 구체적으로 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터(520)를 기계학습모델(510)에 적용하여 상처 치료 예상 정보(530)를 획득할 수 있다.
상처 관리 장치(220)는 "상처와 관련된 정보" 및 현재 환자의 상처 영상 데이터(520)를 기계학습모델(510)에 적용하여 상처 치료 예상 정보(530)를 획득할 수 있다. 상처와 관련된 정보는 상처의 영상 데이터에 대응되는 상처의 발생 원인, 상처의 발생일, 상처의 크기, 환자의 나이, 환자의 피부색 또는 환자의 성별 중 적어도 하나를 포함할 수 있다.
상처 치료 예상 정보는 상처의 깊이 정보, 상처의 치료기간 정보, 수술 여부에 대한 정보 및 흉터 여부에 대한 정보 모두를 포함할 수 있다. 또한 상처 치료 예상 정보는 수술 유무에 대한 예상 정보 및 흉터 발생 유무에 대한 예상 정보를 포함할 수 있다.
상처 관리 장치(220)는 현재 환자의 상처 영상 데이터(520)를 기계학습모델(510)에 적용하여 상처의 깊이 정보, 상처의 치료기간 정보, 수술 여부에 대한 정보 및 흉터 여부에 대한 정보를 획득할 수 있다. 상처 관리 장치(220)는 획득된 상처의 깊이 정보, 상처의 치료기간 정보, 수술 여부에 대한 정보 및 흉터 여부에 대한 정보에 기초하여 수술 유무에 대한 예상 정보 및 흉터 발생 유무에 대한 예상 정보를 추가적으로 획득할 수 있다.
상처 관리 장치(220)는 현재 환자의 상처 영상 데이터(520)를 기계학습모델(510)에 적용하여 수술 여부에 대한 정보 및 흉터 여부에 대한 정보를 획득할 수 있음에도, 수술 유무에 대한 예상 정보 및 흉터 발생 유무에 대한 예상 정보를 추가적으로 획득하는 이유는 정확도를 높이기 위해서이다. 기계학습모델(510)은 빠르게 발전하고 있으나, 아직까지는 결과의 정확도가 떨어지는 경우가 있다. 따라서, 상처 관리 장치(220)는 기계학습모델(510)로부터 획득된 상처의 깊이 정보, 상처의 치료기간 정보, 수술 여부에 대한 정보 및 흉터 여부에 대한 정보에 기초하여 수술 유무에 대한 예상 정보 및 흉터 발생 유무에 대한 예상 정보를 획득함으로써, 예상의 정확도를 높일 수 있다.
수술 유무에 대한 예상 정보는 수술이 필요한지 여부에 대하여 상처 관리 장치(220)가 예상한 정보이다. 예를 들어, 현재 환자의 상처 영상 데이터 및 기계학습모델에 기초하여, 상처 관리 장치(220)는 환자의 상처에 대하여 수술이 필요한지 여부를 결정할 수 있다. 사용자는 수술 필요 여부를 확인하고 상처 관리 장치(220)에 기초하여 빠르게 내원 여부를 결정할 수 있다.
또한 흉터 발생 유무에 대한 예상 정보는 상처 치료 후에 흉터가 발생할지 여부를 예상한 정보이다. 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터 및 기계학습모델에 기초하여, 상처 치료 후에 흉터가 발생할지 여부에 대하여 결정할 수 있다.
도 6은 본 개시의 일 실시예에 따른 수술 유무에 대한 예상 정보를 획득하는 과정을 나타낸 흐름도이다.
상처 관리 장치(220)는 기계학습모델을 적용하여 획득된 정보에 기초하여 제 1 흉터 발생 유무에 대한 정보(a), 제 2 흉터 발생 유무에 대한 정보(b) 및 제 3 흉터 발생 유무에 대한 정보(c)를 설정할 수 있다.
본 개시의 일 실시예에 따르면, 상처 관리 장치(220)는 기계학습모델을 적용하여 획득된 상처의 깊이 정보에 기초하여 제 1 흉터 발생 유무에 대한 정보(a)를 설정하는 단계(610)를 수행할 수 있다. 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 "1도 화상"을 나타내는 경우, 제 1 흉터 발생 유무에 대한 정보(a)를 0으로 설정하는 단계를 수행할 수 있다. 또한, 상처 관리 장치(220)는 획득된 상처의 깊이 정보가 "2도 화상" 또는 "3도 화상"을 나타내는 경우 제 1 흉터 발생 유무에 대한 정보(a)를 1로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 "1도 화상", "2도 화상" 및 "3도 화상"을 인덱스로 표현할 수 있다. 예를 들어 "1도 화상"은 0으로 표현되고, "2도 화상"은 1로 표현되고, "3도 화상"은 2로 표현될 수 있다.
본 개시의 다른 실시예에 따르면, 상처 관리 장치(220)는 기계학습모델을 적용하여 획득된 상처의 깊이 정보에 기초하여 제 1 흉터 발생 유무에 대한 정보(a)를 설정하는 단계(610)를 수행할 수 있다. "2도 화상"은 "심재성"과 "표재성"으로 나뉠 수 있다. "2도 화상 표재성"은 피부의 표피 또는 얕은 진피층이 손상된 것을 의미하며, "2도 화상 심재성"은 피부의 깊은 진피층까지 손상된 것을 의미한다. 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 "1도 화상" 또는 "2도 표재성"을 나타내는 경우, 제 1 흉터 발생 유무에 대한 정보(a)를 0으로 설정하는 단계를 수행할 수 있다. 또한, 상처 관리 장치(220)는 획득된 상처의 깊이 정보가 "2도 화상 심재성" "3도 화상" 또는 "4도 화상"을 나타내는 경우 제 1 흉터 발생 유무에 대한 정보(a)를 1로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 "1도 화상", "2도 화상 표재성" "2도 화상 심재성" 및 "3도 화상"을 인덱스로 표현할 수 있다. 예를 들어 "1도 화상"은 0으로 표현되고, "2도 화상 표재성"은 1로 표현되고, "2도 화상 심재성"은 2로 표현되고 "3도 화상"은 3으로 표현될 수 있다.
상처 관리 장치(220)는 획득된 상처의 깊이 정보를 출력할 수 있다. 사용자는 획득된 상처 깊이 정보를 확인하고 자신의 상처가 얼마나 심한지를 판단할 수 있다. 또한 사용자는 병원에 내원할지 여부를 상처 관리 장치(220)의 출력 내용에 기초하여 용이하게 판단할 수 있다.
상처 관리 장치(220)는 기계학습모델을 적용하여 획득된 상처의 치료기간 정보에 기초하여 제 2 흉터 발생 유무에 대한 정보(b)를 설정하는 단계(620)를 수행할 수 있다. 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 치료기간 정보가 "7일 이하"인 경우 제 2 흉터 발생 유무에 대한 정보(b)를 0으로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 획득된 상처의 치료기간 정보가 "7일 초과"인 경우, 제 2 흉터 발생 유무에 대한 정보(b)를 1로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 "7일 이하", 및 "7일 초과"를 인덱스로 표현할 수 있다. 예를 들어 "7일 이하"는 0으로 표현되고, "7일 초과"는 1로 표현될 수 있다.
상처 관리 장치(220)는 획득된 상처의 치료기간 정보를 출력할 수 있다. 사용자는 획득된 상처의 치료기간 정보를 확인하고 자신의 상처에 대한 치료에 얼마나 걸릴지 예상할 수 있다. 따라서 사용자는 치료가 과도하게 이루어지는 것을 방지할 수 있다.
상처 관리 장치(220)는 기계학습모델을 적용하여 획득된 흉터 여부에 대한 정보에 기초하여 제 3 흉터 발생 유무에 대한 정보(c)를 설정하는 단계(630)를 수행할 수 있다. 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 흉터 여부에 대한 정보가 "흉터 남지 않음"을 나타내는 경우 제 3 흉터 발생 유무에 대한 정보(c)를 0으로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 획득된 흉터 여부에 대한 정보가 "흉터 남음"을 나타내는 경우 제 3 흉터 발생 유무에 대한 정보(c)를 1로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 "흉터 남지 않음", 및 "흉터 남음"을 인덱스로 표현할 수 있다. 예를 들어 "흉터 남지 않음"은 0으로 표현되고, "흉터 남은"은 1로 표현될 수 있다.
상처 관리 장치(220)는 획득된 흉터 여부에 대한 정보를 출력할 수 있다. 사용자는 환자의 상처가 흉터를 남길지 여부를 조기에 예측해볼 수 있다. 따라서 사용자는 환자의 상처에 대하여 흉터가 최소화되도록 필요한 조치를 빠르게 취할 수 있다.
상처 관리 장치(220)는 미리 결정된 가중치(w1, w2, w3)를 메모리에 저장하고 있을 수 있다. 제 1 흉터 발생 유무에 대한 정보 내지 제 3 흉터 발생 유무에 대한 정보의 중요도가 높을 수록, 제 1 흉터 발생 유무에 대한 정보 내지 제 3 흉터 발생 유무에 대응되는 가중치는 높은 값을 가질 수 있다. 예를 들어, w3는 w1 및 w2 보다 클 수 있다. w3가 가장 크다는 것은 상처 관리 장치(220)가 제 3 흉터 발생 유무에 대한 정보에 대한 중요도를 높게 평가한다는 것이다. 또한, 상처 관리 장치(220)는 가중 평균의 정규화를 위하여 w1, w2 및 w3의 크기를 제한할 수 있다. 예를 들어, 상처 관리 장치(220)는 w1+w2+w3<=3로 정할 수 있다.
제 1 흉터 발생 유무에 대한 정보 내지 제 3 흉터 발생 유무에 대한 정보의 가중 평균((w1*a+w2*b+w3*c)/3)을 계산하는 단계(640)를 수행할 수 있다. 또한 상처 관리 장치(220)는 가중 평균이 0.5 초과인 경우, 흉터 발생 유무에 대한 예상 정보를 흉터 남음으로 결정하는 단계(650)를 수행할 수 있다.
상처 관리 장치(220)는 흉터 발생 유무에 대한 예상 정보를 출력할 수 있다. 흉터 발생 유무에 대한 예상 정보는 제 1 흉터 발생 유무에 대한 정보 내지 제 3 흉터 발생 유무에 대한 예상 정보에 기초하여 획득되므로, 신뢰도가 높을 수 있다. 상처 관리 장치(220)는 흉터 발생 유무에 대한 예상 정보에 기초하여 내원의 필요성을 판단할 수 있다. 사용자는 흉터 발생 유무에 대한 예상 정보에 기초하여 필요한 조치를 취할 수 있다.
상처 관리 장치(220)는 제 1 흉터 발생 유무에 대한 정보 내지 제 3 흉터 발생 유무에 대한 정보의 가중 평균((w1*a+w2*b+w3*c)/3)이 0.5 이하인 경우, 흉터 발생 유무에 대한 예상 정보를 흉터 남지 않음으로 결정하는 단계(650)를 수행할 수 있다.
도 7은 본 개시의 일 실시예에 따른 흉터 발생 유무에 대한 예상 정보를 획득하는 과정을 나타낸 흐름도이다.
상처 관리 장치(220)는 기계학습모델을 적용하여 획득된 정보에 기초하여 제 1 수술 유무에 대한 정보(d) 및 제 2 수술 유무에 대한 정보(e)를 설정할 수 있다.
본 개시의 일 실시예에 따르면, 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 깊이 정보에 기초하여 제 1 수술 유무에 대한 정보(d)를 설정하는 단계(710)를 수행할 수 있다. 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 "1도 화상"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 0으로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 획득된 상처의 깊이 정보가 "2도 화상"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1/2로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 획득된 상처 깊이 정보가 "3도 화상"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1로 설정하는 단계를 수행할 수 있다.
본 개시의 다른 실시예에 따르면, 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 깊이 정보에 기초하여 제 1 수술 유무에 대한 정보(d)를 설정하는 단계(710)를 수행할 수 있다. 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 "1도 화상" 또는 "2도 화상 표재성"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 0으로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 획득된 상처의 깊이 정보가 "2도 화상 심재성"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1/2로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 획득된 상처 깊이 정보가 "3도 화상" 또는 "4도 화상"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1로 설정하는 단계를 수행할 수 있다.
상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 수술 여부에 대한 정보에 기초하여 제 2 수술 유무에 대한 정보(e)를 설정하는 단계(720)를 수행할 수 있다. 상처 관리 장치(220)는 현재 환자의 상처 영상 데이터에 기계학습모델을 적용하여 획득된 수술 여부에 대한 정보가 "수술 필요 없음"을 나타내는 경우, 제 2 수술 유무에 대한 정보(e)를 0으로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 획득된 수술 여부에 대한 정보가 "수술 필요"를 나타내는 경우, 제 2 수술 유무에 대한 정보(e)를 1로 설정하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 "수술 필요 없음" 및 "수술 필요"를 인덱스로 표현할 수 있다. 예를 들어 "수술 필요 없음"은 0으로 표현되고, "수술 필요"는 1로 표현될 수 있다.
상처 관리 장치(220)는 획득된 수술 여부에 대한 정보를 출력할 수 있다. 사용자는 획득된 수술 여부에 대한 정보에 기초하여 환자의 상처에 대한 상황을 예측할 수 있다. 사용자는 상처가 악화되지 않도록 내원하여 수술일정을 빠르게 잡을 수 있다.
상처 관리 장치(220)는 미리 결정된 가중치(w4, w5)를 메모리에 저장하고 있을 수 있다. 제 1 수술 유무에 대한 정보(d) 및 제 2 수술 유무에 대한 정보(e)의 중요도가 높을수록, 제 1 수술 유무에 대한 정보(d) 및 제 2 수술 유무에 대한 정보(e)에 대응되는 가중치는 높은 값을 가질 수 있다. w5는 w4보다 클 수 있다. 즉, 상처 관리 장치(220)는 제 2 수술 유무에 대한 정보(e)를 높게 평가할 수 있다. 또한, 상처 관리 장치(220)는 가중 평균의 값을 정규화 하기 위하여, w4 및 w5의 크기를 제한할 수 있다. 예를 들어, 상처 관리 장치(220)는 w4+w5<=2로 정할 수 있다.
상처 관리 장치(220)는 제 1 수술 유무에 대한 정보(d) 및 제 2 수술 유무에 대한 정보(e)의 가중 평균((w4*d+w5*e)/2)을 계산하는 단계(730)를 수행할 수 있다. 또한 상처 관리 장치(220)는 가중 평균이 0.5초과인 경우, 수술 유무에 대한 예상 정보를 수술 필요로 결정하는 단계(740)를 수행할 수 있다.
제 1 수술 유무에 대한 정보(d) 및 제 2 수술 유무에 대한 정보(e)의 가중 평균((w4*d+w5*e)/2)이 0.5이하인 경우, 상처 관리 장치(220)는 흉터 발생 유무에 대한 예상 정보를 흉터 발생하지 않음으로 결정하는 단계(740)를 수행할 수 있다.
상처 관리 장치(220)는 흉터 발생 유무에 대한 예상 정보를 출력할 수 있다. 흉터 발생 유무에 대한 예상 정보는 제 1 수술 유무에 대한 정보 및 제 2 수술 유무에 대한 예상 정보에 기초하므로 신뢰도가 높을 수 있다. 상처 관리 장치(220)는 흉터 발생 유무에 대한 예상 정보에 기초하여 내원의 필요성 여부를 결정할 수 있다. 또한 사용자는 흉터 발생 유무에 대한 예상 정보에 기초하여 필요한 조치를 빠르게 취할 수 있다.
도 8은 본 개시의 일 실시예에 따른 사용자 단말기를 나타낸 도면이다.
사용자 단말기(800)는 입력부(210) 및 출력부(230)를 포함할 수 있다. 사용자 단말기(800)는 상처 관리 장치(220)를 포함할 수 있다. 또는 사용자 단말기(800)는 상처 관리 장치(220)와 다른 장치일 수 있다. 사용자 단말기(800)는 입력부(210)를 통하여 수신한 신호를 상처 관리 장치(220)로 전송할 수 있다. 또한, 사용자 단말기(800)는 상처 관리 장치(220)로부터 수신한 신호를 출력부(230)에서 출력할 수 있다.
사용자 단말기(800)는 상처 영상(811)을 표시할 수 있다. 사용자 단말기(800)는 수술 유무에 대한 예상 정보(821) 및 흉터 발생 유무에 대한 예상 정보(822) 중 적어도 하나를 표시할 수 있다.
또한 수술 유무에 대한 예상 정보(821)가 수술 필요를 나타내거나, 흉터 발생 유무에 대한 예상 정보(822)가 흉터 발생을 나타내는 경우, 사용자 단말기(800)는 내원이 필요하다는 정보(823)를 표시할 수 있다. 사용자는 사용자 단말기(800)를 이용하여 환자의 상태를 용이하게 판단하고, 내원을 빠르게 할 수 있다.
내원이 필요한 것으로 결정된 경우, 상처 관리 장치(220)는 병원 정보를 획득할 수 있다. 예를 들어, 수술 유무에 대한 예상 정보가 수술 필요로 설정된 경우, 상처 관리 장치(220)는 병원 정보를 획득하는 단계를 수행할 수 있다. 또한 흉터 발생 유무에 대한 예상 정보가 흉터 발생을 나타내는 경우, 상처 관리 장치(220)는 병원 정보를 획득하는 단계를 수행할 수 있다.
구체적으로, 상처 관리 장치(220)는 내원이 필요한 경우, 병원 정보를 병원 서버에 요청하는 단계를 수행할 수 있다. 병원 서버는 프로세서 및 메모리를 포함할 수 있다. 병원 서버는 병원에 대한 정보 및 치료 정보를 포함한 데이터 베이스를 저장하고 있을 수 있다.
병원 서버는 병원 정보를 상처 관리 장치(220)로 송신하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 병원 정보를 출력부를 통하여 출력하는 단계를 수행할 수 있다.
상처 관리 장치(220)는 상처 관리 장치(220)의 메모리에 저장되어 있는 병원 정보를 획득할 수 있다. 또한 상처 관리 장치(220)는 획득한 병원 정보를 출력부를 통하여 출력할 수 있다. 이 경우 상처 관리 장치(220)는 병원 정보를 제공받기 위한 병원 서버를 필요로 하지 않을 수 있다.
상처 관리 장치(220)는 획득된 병원 정보를 출력하는 단계를 수행할 수 있다. 병원 정보는 병원의 연락처, 병원의 위치, 병원과 환자의 거리, 병원까지 가는 교통편, 병원의 영업시간, 병원에 소속된 의료인의 정보, 병원의 개원일, 병원의 환자들의 재이용횟수, 병원의 평점, 병원의 현재 대기자 수, 병원근처 주차공간 및 병원 시설에 대한 설명 중 적어도 하나를 포함할 수 있다.
또한, 병원 정보는 현재 환자의 상처의 영상과 가장 유사한 영상을 제공한 병원에 대한 정보를 포함할 수 있다. 영상의 유사도 평가는 다양한 알고리즘을 통하여 수행될 수 있다. 또한 병원 정보는 가장 유사한 영상을 제공한 병원이 해당 상처 치료에 걸린 시간, 해당 상처 치료에 청구한 금액 또는 환자에게 내원을 요청한 횟수 중 적어도 하나를 포함할 수 있다.
또한 상처 관리 장치(220)는 현재 환자의 상처의 영상과 가장 유사한 영상의 치료과정에 따른 상처의 시간에 따른 변화에 대한 영상을 출력할 수 있다. 사용자는 상처의 시간에 따른 변화에 대한 영상을 확인하고, 자신의 상처가 정상적으로 치료되고 있는지 여부를 판단해볼 수 있다. 따라서 상처 관리 장치(220)는 사용자가 환자의 상처의 치료 과정에서 느끼는 불안감을 줄여줄 수 있다.
환자는 자신의 상처와 가장 유사한 상처를 치료한 병원에 대한 정보를 알 수 있다. 병원이 상처의 치료에 대한 정보를 많이 제공할수록 병원이 서비스에서 노출될 가능성이 높아질 수 있다. 이를 통하여 서비스 제공자는 병원들이 마케팅을 위하여 치료 정보를 자율적으로 제공하도록 유도할 수 있다.
사용자는 상처의 치료를 위한 병원에 대한 정보를 손쉽게 알 수 있다. 또한 환자는 자신의 상처 치료를 치료해본 경험이 있는 병원을 손쉽게 알 수 있다. 또한 환자는 자신의 상처 치료를 가장 빠르게 치료한 병원을 손쉽게 알 수 있다. 또한, 환자는 자신의 상처 치료를 가장 저렴한 비용으로 치료한 병원을 손쉽게 알 수 있다. 또한 환자는 내원을 적게 하면서 상처를 치료한 병원을 손쉽게 알 수 있다.
상처 관리 장치(220)는 사용자로부터 병원 예약과 관련된 예약 정보를 수신하는 단계를 수행할 수 있다. 예약 정보는 환자의 방문 예정 시간 및 환자가 선호하는 의료인에 대한 정보 중 적어도 하나를 포함할 수 있다.
상처 관리 장치(220)는 환자에 대한 정보 및 예약 정보를 병원 서버에 전송하는 단계를 수행할 수 있다. 상처 관리 장치(220)는 병원 서버로부터 예약 확인 신호를 수신하는 단계를 수행할 수 있다.
이제까지는 기존 상처의 치료 정보가 상처의 깊이, 상처의 치료기간, 상처에 대한 수술 여부 또는 흉터 발생 여부에 대한 정보인 경우에 대하여 설명하였다. 하지만 이에 한정되는 것은 아니다. 기존 상처의 치료 정보는 환자의 나이 정보, 환자의 성별 정보, 상처치유기간정보, 상처 치유까지 내원 횟수 정보, 흉터의 정도에 대한 정보 및 치유까지 소요 비용 정보를 더 포함할 수 있다.
상처 관리 장치(220)는 기존 상처의 영상 데이터와 상처치유기간정보의 상관 관계를 기계학습하여 기계학습모델을 생성할 수 있다. 상처 관리 장치(220)는 기존 상처의 영상 데이터와 상처 치유까지 내원 횟수 정보의 상관 관계를 기계학습하여 기계학습모델을 생성할 수 있다. 또한, 상처 관리 장치(220)는 기존 상처의 영상 데이터와 흉터의 정도에 대한 상관관계를 학습하여 기계학습모델을 획득할 수 있다. 또한, 상처 관리 장치(220)는 기존 상처의 영상 데이터와 치유까지 소요 비용 정보에 대한 상관관계를 학습하여 기계학습모델을 획득할 수 있다.
상처 관리 장치(220)는 기존 상처의 영상 데이터만으로는 상처치유기간정보, 상처 치유까지 내원 횟수 정보, 흉터의 정도에 대한 정보 및 치유까지 소요 비용 정보를 기계학습하기 어려울 수 있다. 따라서 상처 관리 장치(220)는 병원의 식별정보, 의료인의 식별정보, 상처의 크기 정보, 상처가 생긴 후 지난 시간에 대한 정보, 환자의 나이에 대한 정보 및 환자의 성별에 대한 정보 중 적어도 하나를 더 획득하여 기계학습을 수행할 수 있다.
상처 관리 장치(220)는 현재 환자의 상처 영상 데이터를 생성된 기계학습모델에 적용하여 상처 치료 예상 정보를 획득할 수 있다. 상처 치료 예상 정보는 상처치유예상기간, 상처 치유까지 예상 내원 횟수 정보, 흉터의 예상 정도에 대한 정보 및 치유까지 예상 소요 비용 정보 중 적어도 하나를 포함할 수 있다.
사용자는 상처 관리 장치(220)에 표시된 상처치유예상기간, 상처 치유까지 예상 내원 횟수 정보, 흉터의 예상 정도에 대한 정보 및 치유까지 예상 소요 비용 정보에 기초하여 자신의 상처 치료에 소요되는 노력의 정도를 예측할 수 있다. 따라서, 환자는 상처 치료에 대한 불확실성 때문에 두려움을 느끼는 경우가 있는데, 본 개시의 상처 관리 장치(220)는 이러한 환자의 불안감을 줄일 수 있다. 또한, 사용자는 의료인을 찾아가지 않아도 환자의 상태를 대략적으로 판단할 수 있어 편의성이 증대되며, 환자가 상처 치료에 과도한 비용을 지출하는 것을 방지할 수 있다.
또한 본 개시의 상처 관리 장치(220)는 동일한 기준에 의하여 상처에 대하여 판단하므로, 의료인에 따라 다른 판단을 받을 가능성이 줄어들 수 있다. 예를 들어, 2도의 화상의 경우, 표재성인지 또는 심재성인지에 따라 보험적용 여부가 달라질 수 있으며, 의료인에 따라 다른 판단을 내릴 가능성이 있다. 따라서 보험사 및 환자는 심재성 또는 표재성 인지에 대하여 다투는 경우가 있다. 하지만, 본 개시의 상처 관리 장치(220)는 동일한 기준으로 판단하므로, 보험사 및 환자의 다툼이 줄어들 수 있다.
이제까지 다양한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.

Claims (8)

  1. 복수의 기존 상처의 영상 데이터를 획득하는 단계;
    상기 복수의 기존 상처의 영상 데이터에 대응되는 기존 상처의 치료 정보를 획득하는 단계;
    상기 복수의 기존 상처의 영상 데이터 및 상기 기존 상처의 치료 정보의 상관 관계를 CNN(Convolution Neural Network)으로 학습하여 기계학습모델을 획득하는 단계;
    현재 환자의 상처 영상 데이터를 획득하는 단계;
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 상처 치료 예상 정보를 결정하는 단계; 및
    상기 상처 치료 예상 정보를 출력하는 단계를 포함하고,
    상기 기존 상처의 치료 정보는 상처의 깊이 정보, 상처의 치료기간 정보, 수술 여부에 대한 정보 및 흉터 여부에 대한 정보 모두를 포함하고,
    상기 상처 치료 예상 정보는 수술 유무에 대한 예상 정보 및 흉터 발생 유무에 대한 예상 정보를 포함하는 것을 특징으로 하는 상처 관리 장치의 동작 방법.
  2. 제 1 항에 있어서,
    상기 상처의 깊이 정보는 "1도 화상", "2도 화상 표재성", "2도 화상 심재성", "3도 화상" 및 "4도 화상" 중 하나를 나타내고,
    상기 상처의 치료기간 정보는 상처를 입은 날부터 재상피화 완료일까지의 일수를 나타내고,
    상기 상처 치료 예상 정보를 결정하는 단계는,
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 상기 "1도 화상" 또는 상기 "2도 화상 표재성"을 나타내는 경우, 제 1 흉터 발생 유무에 대한 정보(a)를 0으로 설정하고, 상기 획득된 상처의 깊이 정보가 상기 "2도 화상 심재성", 상기 "3도 화상" 또는 상기 "4도 화상"을 나타내는 경우 상기 제 1 흉터 발생 유무에 대한 정보(a)를 1로 설정하는 단계;
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 획득된 상처의 치료기간 정보가 "7일" 이하인 경우 제 2 흉터 발생 유무에 대한 정보(b)를 0으로 설정하고, 상기 획득된 상처의 치료기간 정보가 "7일" 초과인 경우, 제 2 흉터 발생 유무에 대한 정보(b)를 1로 설정하는 단계;
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 획득된 흉터 여부에 대한 정보가 흉터 남지 않음을 나타내는 경우 제 3 흉터 발생 유무에 대한 정보(c)를 0으로 설정하고, 상기 획득된 흉터 여부에 대한 정보가 흉터 남음을 나타내는 경우 제 3 흉터 발생 유무에 대한 정보(c)를 1로 설정하는 단계;
    미리 결정된 가중치(w1, w2, w3)에 기초하여, 상기 제 1 흉터 발생 유무에 대한 정보 내지 상기 제 3 흉터 발생 유무에 대한 정보의 가중 평균((w1*a+w2*b+w3*c)/3)이 0.5 초과인 경우, 상기 흉터 발생 유무에 대한 예상 정보를 흉터 남음으로 결정하는 단계; 및
    상기 제 1 흉터 발생 유무에 대한 정보 내지 상기 제 3 흉터 발생 유무에 대한 정보의 가중 평균((w1*a+w2*b+w3*c)/3)이 0.5 이하인 경우, 상기 흉터 발생 유무에 대한 예상 정보를 흉터 남지 않음으로 결정하는 단계를 포함하고,
    상기 w3는 w1 및 w2 보다 크고, w1+w2+w3<=3 인 것을 특징으로 하는 상처 관리 장치의 동작 방법.
  3. 제 2 항에 있어서,
    상기 상처 치료 예상 정보를 결정하는 단계는,
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 상기 "1도 화상" 또는 상기 "2도 화상 표재성"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 0으로 설정하고, 상기 획득된 상처의 깊이 정보가 상기 "2도 화상 심재성"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1/2로 설정하고, 상기 획득된 상처 깊이 정보가 상기 "3도 화상" 또는 상기 "4도 화상"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1로 설정하는 단계;
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 획득된 수술 여부에 대한 정보가 "수술 필요 없음"을 나타내는 경우, 제 2 수술 유무에 대한 정보(e)를 0으로 설정하고, 상기 획득된 수술 여부에 대한 정보가 "수술 필요"를 나타내는 경우, 제 2 수술 유무에 대한 정보(e)를 1로 설정하는 단계;
    미리 결정된 가중치(w4, w5)에 기초하여, 상기 제 1 수술 유무에 대한 정보(d) 및 상기 제 2 수술 유무에 대한 정보(e)의 가중 평균((w4*d+w5*e)/2)이 0.5초과인 경우, 상기 수술 유무에 대한 예상 정보를 "수술 필요"로 결정하는 단계; 및
    상기 제 1 수술 유무에 대한 정보(d) 및 상기 제 2 수술 유무에 대한 정보(e)의 가중 평균((w4*d+w5*e)/2)이 0.5이하인 경우, 상기 수술 유무에 대한 예상 정보를 "수술 필요 없음"으로 결정하는 단계를 포함하고,
    상기 w5는 w4보다 크고, w4+w5<=2인 것을 특징으로 하는 상처 관리 장치의 동작 방법.
  4. 제 3 항에 있어서,
    상기 흉터 발생 유무에 대한 예상 정보가 수술 필요로 설정된 경우, 병원 정보를 획득하는 단계;
    상기 획득된 병원 정보를 출력하는 단계;
    사용자로부터 병원 예약과 관련된 예약 정보를 수신하는 단계;
    환자에 대한 정보 및 예약 정보를 병원 서버에 전송하는 단계; 및
    상기 병원 서버로부터 예약 확인 신호를 수신하는 단계를 더 포함하고,
    상기 예약 정보는 환자의 방문 예정 시간 및 환자가 선호하는 의료인에 대한 정보 중 적어도 하나를 포함하고,
    상기 병원 정보는 병원의 연락처, 병원의 위치, 병원과 상기 환자의 거리, 병원까지 가는 교통편, 병원의 영업시간, 병원에 소속된 의료인의 정보, 병원의 개원일, 병원의 환자들의 재이용횟수, 병원의 평점, 병원의 현재 대기자 수, 병원근처 주차공간 및 병원 시설에 대한 설명 중 적어도 하나를 더 포함하고,
    상기 기존 상처의 치료 정보는 환자의 나이 정보, 환자의 성별 정보, 상처치유기간정보, 상처 치유까지 내원 횟수 정보, 흉터의 정도에 대한 정보 및 치유까지 소요 비용 정보를 더 포함하고,
    상기 상처 치료 예상 정보는 상처치유예상기간, 상처 치유까지 예상 내원 횟수 정보, 흉터의 예상 정도에 대한 정보 및 치유까지 예상 소요 비용 정보를 더 포함하는 것을 특징으로 하는 상처 관리 장치의 동작 방법.
  5. 상처 관리 장치는 프로세서 및 메모리를 포함하고,
    상기 프로세서는 메모리에 저장된 명령어에 기초하여,
    복수의 기존 상처의 영상 데이터를 획득하는 단계;
    상기 복수의 기존 상처의 영상 데이터에 대응되는 기존 상처의 치료 정보를 획득하는 단계;
    상기 복수의 기존 상처의 영상 데이터 및 상기 기존 상처의 치료 정보의 상관 관계를 CNN(Convolution Neural Network)으로 학습하여 기계학습모델을 획득하는 단계;
    현재 환자의 상처 영상 데이터를 획득하는 단계;
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 상처 치료 예상 정보를 결정하는 단계; 및
    상기 상처 치료 예상 정보를 출력하는 단계를 수행하고,
    상기 기존 상처의 치료 정보는 상처의 깊이 정보, 상처의 치료기간 정보, 수술 여부에 대한 정보 및 흉터 여부에 대한 정보 모두를 포함하고,
    상기 상처 치료 예상 정보는 수술 유무에 대한 예상 정보 및 흉터 발생 유무에 대한 예상 정보를 포함하는 것을 특징으로 하는 상처 관리 장치.
  6. 제 5 항에 있어서,
    상기 상처의 깊이 정보는 "1도 화상", "2도 화상 표재성", "2도 화상 심재성", "3도 화상" 및 "4도 화상" 중 하나를 나타내고,
    상기 상처의 치료기간 정보는 상처를 입은 날부터 재상피화 완료일까지의 일수를 나타내고,
    상기 프로세서는 상기 상처 치료 예상 정보를 결정하기 위하여,
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 상기 "1도 화상" 또는 상기 "2도 화상 표재성"을 나타내는 경우, 제 1 흉터 발생 유무에 대한 정보(a)를 0으로 설정하고, 상기 획득된 상처의 깊이 정보가 상기 "2도 화상 심재성", 상기 "3도 화상" 또는 상기 "4도 화상"을 나타내는 경우 상"기 제 1 흉터 발생 유무에 대한 정보(a)를 1로 설정하는 단계;
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 획득된 상처의 치료기간 정보가 "7일" 이하인 경우 제 2 흉터 발생 유무에 대한 정보(b)를 0으로 설정하고, 상기 획득된 상처의 치료기간 정보가 "7일" 초과인 경우, 제 2 흉터 발생 유무에 대한 정보(b)를 1로 설정하는 단계;
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 획득된 흉터 여부에 대한 정보가 흉터 남지 않음을 나타내는 경우 제 3 흉터 발생 유무에 대한 정보(c)를 0으로 설정하고, 상기 획득된 흉터 여부에 대한 정보가 흉터 남음을 나타내는 경우 제 3 흉터 발생 유무에 대한 정보(c)를 1로 설정하는 단계;
    미리 결정된 가중치(w1, w2, w3)에 기초하여, 상기 제 1 흉터 발생 유무에 대한 정보 내지 상기 제 3 흉터 발생 유무에 대한 정보의 가중 평균((w1*a+w2*b+w3*c)/3)이 0.5 초과인 경우, 상기 흉터 발생 유무에 대한 예상 정보를 흉터 남음으로 결정하는 단계; 및
    상기 제 1 흉터 발생 유무에 대한 정보 내지 상기 제 3 흉터 발생 유무에 대한 정보의 가중 평균((w1*a+w2*b+w3*c)/3)이 0.5 이하인 경우, 상기 흉터 발생 유무에 대한 예상 정보를 흉터 남지 않음으로 결정하는 단계를 수행하고,
    상기 w3는 w1 및 w2 보다 크고, w1+w2+w3<=3 인 것을 특징으로 하는 상처 관리 장치.
  7. 제 6 항에 있어서,
    상기 프로세서는 상기 상처 치료 예상 정보를 결정하기 위하여,
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 획득된 상처의 깊이 정보가 상기 "1도 화상" 또는 상기 "2도 화상 표재성"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 0으로 설정하고, 상기 획득된 상처의 깊이 정보가 상기 "2도 화상 심재성"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1/2로 설정하고, 상기 획득된 상처 깊이 정보가 상기 "3도 화상" 또는 상기 "4도 화상"을 나타내는 경우 제 1 수술 유무에 대한 정보(d)를 1로 설정하는 단계;
    상기 현재 환자의 상처 영상 데이터에 상기 기계학습모델을 적용하여 획득된 수술 여부에 대한 정보가 "수술 필요 없음"을 나타내는 경우, 제 2 수술 유무에 대한 정보(e)를 0으로 설정하고, 상기 획득된 수술 여부에 대한 정보가 "수술 필요"를 나타내는 경우, 제 2 수술 유무에 대한 정보(e)를 1로 설정하는 단계;
    미리 결정된 가중치(w4, w5)에 기초하여, 상기 제 1 수술 유무에 대한 정보(d) 및 상기 제 2 수술 유무에 대한 정보(e)의 가중 평균((w4*d+w5*e)/2)이 0.5초과인 경우, 상기 수술 유무에 대한 예상 정보를 "수술 필요"로 결정하는 단계; 및
    상기 제 1 수술 유무에 대한 정보(d) 및 상기 제 2 수술 유무에 대한 정보(e)의 가중 평균((w4*d+w5*e)/2)이 0.5이하인 경우, 상기 수술 유무에 대한 예상 정보를 "수술 필요 없음"으로 결정하는 단계를 수행하고,
    상기 w5는 w4보다 크고, w4+w5<=2인 것을 특징으로 하는 상처 관리 장치.
  8. 제 7 항에 있어서,
    상기 프로세서는 메모리에 저장된 명령어에 기초하여,
    상기 흉터 발생 유무에 대한 예상 정보가 수술 필요로 설정된 경우, 병원 정보를 획득하는 단계;
    상기 획득된 병원 정보를 출력하는 단계;
    사용자로부터 병원 예약과 관련된 예약 정보를 수신하는 단계;
    환자에 대한 정보 및 예약 정보를 병원 서버에 전송하는 단계; 및
    상기 병원 서버로부터 예약 확인 신호를 수신하는 단계를 더 수행하고,
    상기 예약 정보는 환자의 방문 예정 시간 및 환자가 선호하는 의료인에 대한 정보 중 적어도 하나를 포함하고,
    상기 병원 정보는 병원의 연락처, 병원의 위치, 병원과 상기 환자의 거리, 병원까지 가는 교통편, 병원의 영업시간, 병원에 소속된 의료인의 정보, 병원의 개원일, 병원의 환자들의 재이용횟수, 병원의 평점, 병원의 현재 대기자 수, 병원근처 주차공간 및 병원 시설에 대한 설명 중 적어도 하나를 더 포함하고,
    상기 기존 상처의 치료 정보는 환자의 나이 정보, 환자의 성별 정보, 상처치유기간정보, 상처 치유까지 내원 횟수 정보, 흉터의 정도에 대한 정보 및 치유까지 소요 비용 정보를 더 포함하고,
    상기 상처 치료 예상 정보는 상처치유예상기간, 상처 치유까지 예상 내원 횟수 정보, 흉터의 예상 정도에 대한 정보 및 치유까지 예상 소요 비용 정보를 더 포함하는 것을 특징으로 하는 상처 관리 장치.
KR1020190076806A 2019-06-27 2019-06-27 기계학습을 이용하여 상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작방법 KR102340984B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190076806A KR102340984B1 (ko) 2019-06-27 2019-06-27 기계학습을 이용하여 상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190076806A KR102340984B1 (ko) 2019-06-27 2019-06-27 기계학습을 이용하여 상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작방법

Publications (2)

Publication Number Publication Date
KR20210002184A true KR20210002184A (ko) 2021-01-07
KR102340984B1 KR102340984B1 (ko) 2021-12-20

Family

ID=74126817

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190076806A KR102340984B1 (ko) 2019-06-27 2019-06-27 기계학습을 이용하여 상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작방법

Country Status (1)

Country Link
KR (1) KR102340984B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102406893B1 (ko) 2021-12-16 2022-06-13 주식회사 서현어패럴 나노탄소섬유 신발 뒤꿈치용 패드 제조방법 및 그 패드
KR20220109062A (ko) 2021-01-28 2022-08-04 한림대학교 산학협력단 화상 상처에 대한 진단 정보를 제공하는 인공지능 모델 기반의 전자 장치, 제어 방법, 및 컴퓨터 프로그램
KR20220109063A (ko) * 2021-01-28 2022-08-04 한림대학교 산학협력단 찰과상에 대한 진단 정보를 제공하는 인공지능 모델 기반의 전자 장치, 제어 방법, 및 컴퓨터 프로그램
WO2022240234A1 (ko) * 2021-05-13 2022-11-17 연세대학교 산학협력단 합성곱 신경망을 이용한 투석 접근로의 협착 예측 방법 및 장치
KR20230111468A (ko) 2022-01-18 2023-07-25 부경대학교 산학협력단 기계학습을 이용한 흉터 조직 영역 검출을 위한 장치 및 방법
KR102590872B1 (ko) * 2022-10-13 2023-10-19 (주)케어마인드 환부의 회복 정보를 예측하기 위한 방법
KR102606619B1 (ko) * 2022-10-06 2023-11-29 (주)케어마인드 피드백 정보를 이용한 수술 후 외상 회복률 예측 방법
CN118098519A (zh) * 2024-04-23 2024-05-28 四川省医学科学院·四川省人民医院 一种压力性损伤智能识别仪

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102707832B1 (ko) 2024-03-28 2024-09-25 주식회사 이노야드 이미지 처리 기반 얼굴 또는 신체의 3d 모델링 및 객체 추출 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160144570A (ko) * 2015-06-08 2016-12-19 (주)유메디 병원 진료 예약 플랫폼 시스템 및 이의 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160144570A (ko) * 2015-06-08 2016-12-19 (주)유메디 병원 진료 예약 플랫폼 시스템 및 이의 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hilary J. Wallace 외, Identification of factors predicting scar outcome after burn in adults: A prospective case.control study, Burns, 2017.03.19., Vol.43, pp1271-1283.* *
Marco Domenico Cirillo 외, Time-Independent Prediction of Burn Depth Using Deep Convolutional Neural Networks, Journal of Burn Care & Research, 2019.06.11., Vol.40, No.6, pp857-863.* *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220109062A (ko) 2021-01-28 2022-08-04 한림대학교 산학협력단 화상 상처에 대한 진단 정보를 제공하는 인공지능 모델 기반의 전자 장치, 제어 방법, 및 컴퓨터 프로그램
KR20220109063A (ko) * 2021-01-28 2022-08-04 한림대학교 산학협력단 찰과상에 대한 진단 정보를 제공하는 인공지능 모델 기반의 전자 장치, 제어 방법, 및 컴퓨터 프로그램
WO2022240234A1 (ko) * 2021-05-13 2022-11-17 연세대학교 산학협력단 합성곱 신경망을 이용한 투석 접근로의 협착 예측 방법 및 장치
KR20220154479A (ko) * 2021-05-13 2022-11-22 연세대학교 산학협력단 합성곱 신경망을 이용한 투석 접근로의 협착 예측 방법 및 장치
KR102406893B1 (ko) 2021-12-16 2022-06-13 주식회사 서현어패럴 나노탄소섬유 신발 뒤꿈치용 패드 제조방법 및 그 패드
KR20230111468A (ko) 2022-01-18 2023-07-25 부경대학교 산학협력단 기계학습을 이용한 흉터 조직 영역 검출을 위한 장치 및 방법
KR102606619B1 (ko) * 2022-10-06 2023-11-29 (주)케어마인드 피드백 정보를 이용한 수술 후 외상 회복률 예측 방법
KR102590872B1 (ko) * 2022-10-13 2023-10-19 (주)케어마인드 환부의 회복 정보를 예측하기 위한 방법
CN118098519A (zh) * 2024-04-23 2024-05-28 四川省医学科学院·四川省人民医院 一种压力性损伤智能识别仪

Also Published As

Publication number Publication date
KR102340984B1 (ko) 2021-12-20

Similar Documents

Publication Publication Date Title
KR102340984B1 (ko) 기계학습을 이용하여 상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작방법
JP6909078B2 (ja) 疾病発症予測装置、疾病発症予測方法およびプログラム
CN108135485B (zh) 通过语音分析评估肺部病症
AU2003223333B2 (en) A method and system of mass and multiple casualty triage
KR101539267B1 (ko) 스마트폰을 활용한 개인용 탈모 치료 시스템 및 그 방법
CN110008887A (zh) 一种基于深度学习的痤疮自动分级方法
CN110974158B (zh) 一种基于深度学习的社区病患识别、呼救方法和系统方法及系统
KR102354629B1 (ko) 상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작 방법
CN115719334A (zh) 基于人工智能的医学影像评价方法、装置、设备及介质
CN114694842A (zh) 宠物健康监测方法、装置、计算机设备及可读存储介质
US20230207094A1 (en) Wound management and treatment using computer vision and machine learning
CN118037698A (zh) 一种用于野战的伤口智能监测与管理系统
CN117393130B (zh) 基于人工智能的全区域院内外一体化急救暨质控系统
Mclennan et al. Prediction of massive blood transfusion in battlefield trauma: development and validation of the Military Acute Severe Haemorrhage (MASH) score
US20220406466A1 (en) A method for determining a risk score for a patient
JP7269027B2 (ja) 医用情報処理装置、医用情報処理システム、および医用情報処理方法
CN113168921A (zh) 一种用于为患者选择伤口产品的方法
KR102165833B1 (ko) 이상반응을 검출하는 단말기, 서버 또는 방법
US20220415462A1 (en) Remote monitoring methods and systems for monitoring patients suffering from chronical inflammatory diseases
CN115458132A (zh) 一种数据处理方法和装置
CN115170492A (zh) 一种基于ai技术的白内障患者术后视力智能预测评估系统
CN114767070A (zh) 一种镇痛深度监测装置和方法
CN111432712A (zh) 数据处理装置、数据处理方法以及数据处理程序
KR20230083473A (ko) 인공지능 기반 두피손상 치료를 위한 마사지 체어 베드
CN110875094B (zh) 糖尿病的健康生活方式激励方法和系统、及存储设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant